CN112559957A - 一种渗透率计算方法和装置 - Google Patents
一种渗透率计算方法和装置 Download PDFInfo
- Publication number
- CN112559957A CN112559957A CN202011284106.0A CN202011284106A CN112559957A CN 112559957 A CN112559957 A CN 112559957A CN 202011284106 A CN202011284106 A CN 202011284106A CN 112559957 A CN112559957 A CN 112559957A
- Authority
- CN
- China
- Prior art keywords
- permeability
- curve
- prediction
- curves
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000035699 permeability Effects 0.000 title claims abstract description 358
- 238000004364 calculation method Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000013441 quality evaluation Methods 0.000 claims abstract description 12
- 238000002790 cross-validation Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 5
- 208000019585 progressive encephalomyelitis with rigidity and myoclonus Diseases 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 2
- 238000001739 density measurement Methods 0.000 claims description 2
- 238000001303 quality assessment method Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本申请实施例公开了一种渗透率计算方法和装置，该方法包括：获取第一常规测井数据和多个局部最优渗透率计算模型；局部最优渗透率计算模型是利用机器学习算法对包含测井数据和岩心渗透率数据的样本集进行训练时通过K‑Fold交叉验证筛选出的渗透率计算模型；将第一常规测井数据输入多个局部最优渗透率计算模型，在不同随机数种子下由多个局部最优渗透率计算模型输出多条渗透率预测曲线；从中筛选出最终渗透率预测曲线；通过质量评估算法确定最终渗透率预测曲线的质量等级；根据评定的质量等级对最终渗透率预测曲线进行相应校正。通过该实施例方案，实现了快速、准确地预测全井段测井渗透率，实现了对全井段各深度点渗透率预测质量的评估。
Description
技术领域
本文涉及测井技术，尤指一种渗透率计算方法和装置。
背景技术
渗透率是储层流体性质评价中极为重要的一个参数，在目前的技术水平下，获得岩石渗透率的主要途径包括通过实验或工程手段直接测量、基于地球物理方法间接求取。直接测量法包括岩心实验测量法、电缆地层测试法、钻杆地层测试法等等，间接求取法包括测井解释法和地震解释法等等。
由于地层测试法、岩心实验测量法成本较高且测量的深度范围有限等等因素的影响，该方法仅限于测井渗透率计算的标定。目前最常用的仍是利用常规测井资料建立公式或模型，应用实验分析渗透率标定的方法计算，由于目前的公式或模型的经验性、人为因素影响、地区差异以及复杂繁琐的模型建立步骤，常导致最终的计算模型不能广泛应用或计算精度不足，而部分采用机器学习算法进行储层渗透率预测的方法，需求的岩心渗透率样本较多，且由于只是简单生硬的应用机器学习算法进行模型训练预测，并未对全井段各深度渗透率计算质量进行评估，因此该方法在单井渗透率计算中应用效果不佳，计算精度一般较低。
发明内容
本申请实施例提供了一种渗透率计算方法和装置，能够快速、准确地预测全井段测井渗透率，并实现对预测质量的评估。
本申请实施例提供了一种渗透率计算方法，所述方法可以包括：
获取第一常规测井数据，并获取多个局部最优渗透率计算模型；其中，所述局部最优渗透率计算模型是利用机器学习算法对包含测井数据和岩心渗透率数据的样本集进行训练时通过K-Fold交叉验证进行参数优化筛选出的渗透率计算模型；
将所述第一常规测井数据输入所述多个局部最优渗透率计算模型，在具有不同的随机数种子的情况下，由所述多个局部最优渗透率计算模型输出多条渗透率预测曲线；
从所述多条渗透率预测曲线中筛选出一条最优渗透率预测曲线作为最终渗透率预测曲线；
通过预设的质量评估算法确定所述最终渗透率预测曲线的质量等级；
根据评定的质量等级对最终渗透率预测曲线进行相应校正。
在本申请的示例性实施例中，所述获取多个局部最优渗透率计算模型可以包括：
直接调取存储的多个局部最优渗透率计算模型；或者，
创建所述多个局部最优渗透率计算模型。
在本申请的示例性实施例中，所述创建所述多个局部最优渗透率计算模型可以包括：
获取同一井或同一区域井的岩心渗透率数据，并获取该同一井或同一区域井内对应深度的测井数据，并对所述测井数据和所述岩心渗透率数据进行预处理，将处理好的测井数据和岩心渗透率数据格式化为所述样本集；
将所述样本集输入具有初始参数的预设的机器学习算法中，在未设定所述机器学习算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索多次，以获取关于所述机器学习算法的多个局部最优参数；
将所述多个局部最优参数输入所述机器学习算法中，获取所述多个局部最优渗透率计算模型。
在本申请的示例性实施例中，所述对所述测井数据和所述岩心渗透率数据进行预处理可以包括：
对所述岩心渗透率数据和岩心点深度测井数据进行数据清理和集成；
选取对储层渗透率影响因素较大的以下测井曲线中的多个：密度测量曲线ZDEN、光电吸收指数曲线PE、纵波时差曲线DTC、横波时差曲线DTS、中子测量曲线CNCF、自然伽马测量曲线GR以及自然电位测量曲线SP等等，对选取的测井曲线进行测井质量控制，并获取至少3条与岩心渗透率相关性最高且测井质量最高的测井曲线的测井数据。
在本申请的示例性实施例中，所述将所述第一常规测井数据输入所述多个局部最优渗透率计算模型，在具有不同的随机数种子的情况下，由所述多个局部最优渗透率计算模型输出多条渗透率预测曲线包括：
在具有不同的随机数种子的多种情况下，分别通过所述多个局部最优渗透率计算模型对所述第一常规测井数据进行计算，由每一个局部最优渗透率计算模型输出一条渗透率预测曲线。
在本申请的示例性实施例中，所述方法还可以包括：
将所述多条渗透率预测曲线与通过所述测井数据获取的孔隙度曲线进行相关性分析，获取每条渗透率预测曲线与所述孔隙度曲线的相关性；
从所述多条渗透率预测曲线中剔除相关性小于或等于预设的相关性阈值的多条渗透率预测曲线，并保留剩余的多条渗透率预测曲线，作为最终获取的多条渗透率预测曲线。
在本申请的示例性实施例中，所述从所述多条渗透率预测曲线中筛选出一条最优渗透率预测曲线作为最终渗透率预测曲线可以包括：
将所述多条渗透率预测曲线两两之间分别计算相关性系数；
计算每条渗透率预测曲线对应的多个相关性系数的平均值，以获取该条渗透率预测曲线的平均相关性系数；
获取平均相关性系数大于预设的相关性阈值的多条渗透率预测曲线，作为多条最优渗透率预测待选曲线；
根据预设的误差算法计算每条最优渗透率预测待选曲线与岩心渗透率的均方差；
将对应的均方差最小的最优渗透率预测待选曲线作为选出的所述最优渗透率预测曲线
如果直接调取存储的多个渗透率计算模型，一般不会有岩心渗透率，则将平均相关系数最小的最优渗透率预测待选曲线作为选出的所述最优渗透率预测曲线。
在本申请的示例性实施例中，所述通过预设的质量评估算法确定所述最终渗透率预测曲线的质量等级可以包括：
获取通过所述多条渗透率预测曲线获得的多条最优渗透率预测待选曲线中除所述最终渗透率预测曲线以外的其他最优渗透率预测待选曲线；
根据预设的平均相对误差计算式计算所述最终渗透率预测曲线的每一个深度点的数值与所述其他最优渗透率预测待选曲线对应深度点的数值的平均相对误差；
根据所述平均相对误差确定所述最终渗透率预测曲线的质量等级；
其中，所述平均相对误差越低，确定所述最终渗透率预测曲线在该深度点处的质量等级越高；所述平均相对误差越高，确定所述最终渗透率预测曲线在该深度点处的质量等级越低。
在本申请的示例性实施例中，所述预设的平均相对误差计算式可以包括：
其中，δ为所述平均相对误差；a1为所述最终渗透率预测曲线的一个深度点处的渗透率；ai为第i条其他最优渗透率预测待选曲线与所述最终渗透率预测曲线同深度点处的渗透率；m为包括所述最终渗透率预测曲线在内的全部最优渗透率预测待选曲线的总条数。
在本申请的示例性实施例中，所述平均相对误差满足0％～25％时，质量等级为优；
所述平均相对误差满足25％～50％时，质量等级为良；
所述平均相对误差满足50％～100％时，质量等级为中；
所述平均相对误差满足大于100％时，质量等级为差。
在本申请的示例性实施例中，所述根据评定的质量等级对最终渗透率预测曲线进行相应校正可以包括：滤除全部最终渗透率预测曲线中质量等级为优和差的最终渗透率预测点，保留质量等级为良和中的最终渗透率预测点进行校正，校正计算式可以包括：
当POR<0.025时，PERM＝0.001；
当POR≥0.025时，T＝(COS(VSH-0.4)*pi/0.7)+0.5；PERM＝PERM*|T|；
其中，VSH为泥质含量，pi为圆周率，PERM为等深度的最终渗透率，POR为孔隙度。
本申请实施例还提供了一种渗透率计算装置，可以包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任意一项所述的渗透率计算方法。
本申请实施例包括：获取待计算储层渗透率的第一常规测井数据，并获取多个局部最优渗透率计算模型；其中，所述局部最优渗透率计算模型是利用机器学习算法对包含测井数据和岩心渗透率数据的样本集进行训练时通过K-Fold交叉验证进行参数优化筛选出的渗透率计算模型；将所述第一常规测井数据输入所述多个局部最优渗透率计算模型，在具有不同的随机数种子的情况下，由所述多个局部最优渗透率计算模型输出多条渗透率预测曲线；从所述多条渗透率预测曲线中筛选出一条最优渗透率预测曲线作为最终渗透率预测曲线；通过预设的质量评估算法确定所述最终渗透率预测曲线的质量等级；根据评定的质量等级对最终渗透率预测曲线进行相应校正。通过该实施例方案，实现了快速、准确地预测全井段测井渗透率，并实现了对预测质量的评估。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例的渗透率计算方法流程图；
图2为本申请实施例的渗透率计算效果示意图；
图3为本申请实施例的渗透率计算装置组成框图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
本申请实施例提供了一种渗透率计算方法，如图1所示，所述方法可以包括步骤S101-S105：
S101、获取第一常规测井数据，并获取多个局部最优渗透率计算模型；其中，所述局部最优渗透率计算模型是利用机器学习算法对包含测井数据和岩心渗透率数据的样本集进行训练时通过K-Fold交叉验证进行参数优化筛选出的渗透率计算模型；
S102、将所述第一常规测井数据输入所述多个局部最优渗透率计算模型，在具有不同的随机数种子的情况下，由所述多个局部最优渗透率计算模型输出多条渗透率预测曲线；
S103、从所述多条渗透率预测曲线中筛选出一条最优渗透率预测曲线作为最终渗透率预测曲线；
S104、通过预设的质量评估算法确定所述最终渗透率预测曲线的质量等级；
S105、根据评定的质量等级对最终渗透率预测曲线进行相应校正。
在本申请的示例性实施例中，本申请实施例利用单井的常规测井资料(测井数据)和岩心分析资料(如岩心渗透率数据)，提出了一种从机器学习算法的最优参数搜索下训练得到的众多模型(局部最优渗透率计算模型)的渗透率预测曲线中优选出最好的一个模型对应的渗透率预测曲线，应用于测井渗透率的预测，并对最终计算结果进行精确到点的质量评估的方案，以完成对最终渗透率预测曲线的质量评估。该实施例方案在储层评价、流体识别和产能预测中发挥了重要的作用。
在本申请的示例性实施例中，本申请实施例可以通过综合分析测井渗透率影响因素，选取对渗透率影响极其重要的伽马、中子、密度等测井参数，与岩心实验分析渗透率构成样本集，应用机器学习算法，训练基于单井常规测井资料的渗透率计算模型，可以快速准确地预测全井段测井渗透率，并建立了一套预测渗透率可信度的质量评估方法，利用该评估方法可评估全井段每个深度处的渗透率预测质量。
在本申请的示例性实施例中，可以利用单独一口井的岩心渗透率数据和岩心深度处的测井数据构成样本集，训练模型完成对本井及邻近井的渗透率预测，也可以利用一个区域内很多井的岩心渗透率数据以及岩心深度处的测井数据构成样本集，训练模型完成对本区域内所有井的渗透率预测。即，可以用一口井的样本集训练获取单井模型，也可以用一个区域内的很多井的样本集训练获得区域通用模型。
在本申请的示例性实施例中，所述获取多个局部最优渗透率计算模型可以包括：
直接调取存储的多个局部最优渗透率计算模型；或者，
创建所述多个局部最优渗透率计算模型。
在本申请的示例性实施例中，所述创建所述多个局部最优渗透率计算模型可以包括：
获取同一井或同一区域井的岩心渗透率数据，并获取该同一井或同一区域井内对应深度的测井数据，并对所述测井数据和所述岩心渗透率数据进行预处理，将处理好的测井数据和岩心渗透率数据格式化为所述样本集；
将所述样本集输入具有初始参数的预设的机器学习算法中，在未设定所述机器学习算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索多次，以获取关于所述机器学习算法的多个局部最优参数；
将所述多个局部最优参数输入所述机器学习算法中，获取所述多个局部最优渗透率计算模型。
在本申请的示例性实施例中，在某一随机种子数下，机器学习算法沿着某一方向更新权值，很难收敛到全局最优点，因此改变随机数种子，可得到不同方向上的最优点(即局部最优点)，改变随机种子数，多次运行算法，可以根据获得的多个局部最优点(即局部最优参数)得到多个局部最优渗透率计算模型。全局最优模型(即本申请实施例方案的最优渗透率计算模型，或称最终渗透率计算模型)存在于局部最优渗透率计算模型中。
在本申请的示例性实施例中，所述对所述测井数据和所述岩心渗透率数据进行预处理可以包括：
对所述岩心渗透率数据和岩心点深度测井数据进行数据清理和集成；
选取对储层渗透率影响因素较大的以下测井曲线中的多个：密度测量曲线ZDEN、光电吸收指数曲线PE、纵波时差曲线DTC、横波时差曲线DTS、中子测量曲线CNCF、自然伽马测量曲线GR以及自然电位测量曲线SP等等，对选取的测井曲线进行测井质量控制，并获取至少3条测井质量最高的测井曲线的测井数据。
在本申请的示例性实施例中，可以将岩心渗透率数据的对应井对应深度的常规测井资料提取出来，与该岩心渗透率数据初步构成样本集；对岩心渗透率数据中的岩心渗透率及岩心孔隙度进行相关性交会分析，剔除异常的岩心渗透率数据点，对岩心渗透率及常规测井资料进行相关性交会分析，从中选取相关性较高的3～5条测井资料(测井数据)，与筛选过的岩心渗透率资料(岩心渗透率测井数据)构成最终的样本集，其中样本集为输入数据，而岩心渗透率为期望输出数据。
在本申请的示例性实施例中，获取样本集后，可以根据样本集的数据量及输入曲线的数据量，输入预设的机器学习算法的初始参数，并且不要给定的机器学习算法的随机数种子(可以随机确定每次的随机数种子)，采用K-Fold交叉验证及最优参数搜索的方式优化模型参数(如对初始参数进行优化)，最终得到多个局部最优参数。
在本申请的示例性实施例中，根据该多个局部最优参数，可以获得相应的多个局部最优渗透率计算模型。
在本申请的示例性实施例中，所述将所述第一常规测井数据输入所述多个局部最优渗透率计算模型，在具有不同的随机数种子的情况下，由所述多个局部最优渗透率计算模型输出多条渗透率预测曲线可以包括：
在具有不同的随机数种子的多种情况下，分别通过所述多个局部最优渗透率计算模型对所述第一常规测井数据进行计算，由每一个局部最优渗透率计算模型输出一条渗透率预测曲线。
在本申请的示例性实施例中，可以以所述多个局部最优渗透率计算模型对待计算岩心渗透率的第一测井参数重复训练多次，如n次，n为大于1的正整数，可以取500，因随机数种子未给定，因此每次运行局部最优渗透率计算模型得到的渗透率预测曲线并不相同，从而可以得到多条(n条)渗透率预测曲线。
在本申请的示例性实施例中，所述方法还可以包括：
将所述多条渗透率预测曲线与通过所述测井数据获取的孔隙度曲线进行相关性分析，获取每条渗透率预测曲线与所述孔隙度曲线的相关性；
从所述多条渗透率预测曲线中剔除相关性小于或等于预设的相关性阈值的多条渗透率预测曲线，并保留剩余的多条渗透率预测曲线，作为最终获取的多条渗透率预测曲线。
在本申请的示例性实施例中，可以将n条渗透率预测曲线与孔隙度曲线进行相关性分析，如果通过任意一条或多条渗透率预测曲线分析出完全不相关(即相关性小于或等于预设的相关性阈值)，则表明当前局部最优渗透率计算模型陷入局部最小误差，应当对该条渗透率预测曲线予以剔除，剔除后保留的渗透率预测曲线可以为m条(m为大于1且小于n的正整数)。
在本申请的示例性实施例中，所述从所述多条渗透率预测曲线中筛选出一条最优渗透率预测曲线作为最终渗透率预测曲线可以包括：
将所述多条渗透率预测曲线两两之间分别计算相关性系数；
计算每条渗透率预测曲线对应的多个相关性系数的平均值，以获取该条渗透率预测曲线的平均相关性系数；
获取平均相关性系数大于预设的相关性阈值的多条渗透率预测曲线，作为多条最优渗透率预测待选曲线；
根据预设的误差算法计算每条最优渗透率预测待选曲线与该条最优渗透率预测待选曲线对应的岩心渗透率的均方差；
将对应的均方差最小的最优渗透率预测待选曲线作为选出的所述最优渗透率预测曲线。
在本申请的示例性实施例中，如果直接调取存储的多个渗透率计算模型，一般不会有岩心渗透率，则将平均相关系数最小的最优渗透率预测待选曲线作为选出的所述最优渗透率预测曲线。
在本申请的示例性实施例中，可以将余下的m条渗透率预测曲线两两之间计算相关系数(例如，通过皮尔逊pearson相关系数、spearman相关系数、kendall秩相关系数均可)，则每一条渗透率预测曲线都可以有(m-1)个相关系数，将这(m-1)个相关系数进行叠加并处以(m-1)，则得到该条渗透率预测曲线与其他渗透率预测曲线的平均相关系数。可以取平均相关系数绝对值最大的前十条曲线(即多条最优渗透率预测待选曲线)，计算十条曲线中每条渗透率预测曲线与岩心渗透率之间的均方误差MSE，可以取均方误差最小的一条渗透率预测曲线作为最终的输出曲线(即最终渗透率预测曲线)。
在本申请的示例性实施例中，
其中，f(xj)为第j条最优渗透率预测待选曲线，mD；yj为第j条最优渗透率预测待选曲线对应的岩心渗透率，mD；K为岩心个数。
在本申请的示例性实施例中，所述通过预设的质量评估算法确定所述最终渗透率预测曲线的质量等级可以包括：
获取通过所述多条渗透率预测曲线获得的多条最优渗透率预测待选曲线中除所述最终渗透率预测曲线以外的其他最优渗透率预测待选曲线；
根据预设的平均相对误差计算式计算所述最终渗透率预测曲线的每一个深度点的数值与所述其他最优渗透率预测待选曲线对应深度点的数值的平均相对误差；
根据所述平均相对误差确定所述最终渗透率预测曲线的质量等级；
其中，所述平均相对误差越低，确定所述最终渗透率预测曲线在该深度点的质量等级越高；所述平均相对误差越高，确定所述最终渗透率预测曲线在该深度点的质量等级越低。
在本申请的示例性实施例中，可以将最终输出的该最终渗透率预测曲线命名为A1，则余下m-1个最优渗透率预测待选曲线可以命名为：A2，A3，……，Am，计算曲线A1每一深度点的值与余下m-1个最优渗透率预测待选曲线对应深度点的值的平均相对误差δ，其中，δ表示为预测渗透率(m-1个最优渗透率预测待选曲线)在该最终渗透率预测曲线的上下浮动范围，例如δ＝30％，a1＝20mD时，则表明预测渗透率应在(20-6)mD～(20+6)mD之间浮动，因此可据此判断预测质量的好坏。若δ越小，则表明预测结果的可靠性越高，若δ越大则表明预测结果的可靠性越差。
在本申请的示例性实施例中，所述预设的平均相对误差计算式可以包括：
其中，δ为所述平均相对误差；a1为所述最终渗透率预测曲线的一个深度点处的渗透率；ai为第i条其他最优渗透率预测待选曲线与所述最终渗透率预测曲线同深度点处的渗透率；m为包括所述最终渗透率预测曲线在内的全部最优渗透率预测待选曲线的总条数。
在本申请的示例性实施例中，所述平均相对误差满足0％～25％时，质量等级为优；
所述平均相对误差满足25％～50％时，质量等级为良；
所述平均相对误差满足50％～100％时，质量等级为中；
所述平均相对误差满足大于100％时，质量等级为差。
在本申请的示例性实施例中，通过本申请实施例方案的应用，可以确定δ在0％～25％为可靠性最高，为优；δ在25％～50％为可靠性较高，为良；δ在50～100％为可靠性一般，为中；δ在大于100％时预测结果可靠性较差，为差。
在本申请的示例性实施例中，所述根据评定的质量等级对最终渗透率预测曲线进行相应校正可以包括：滤除全部最终渗透率预测曲线中质量等级为优和差的最终渗透率预测点，保留质量等级为良和中的最终渗透率预测点进行校正，校正计算式可以包括：
当POR<0.025时，PERM＝0.001；
当POR≥0.025时，T＝(COS(VSH-0.4)*pi/0.7)+0.5；PERM＝PERM*|T|；
其中，VSH为泥质含量，pi为圆周率，PERM为等深度的最终渗透率，POR为孔隙度。
在本申请的示例性实施例中，对所述最终渗透率预测曲线质量等级为优和差的不进行校正(优无需校正、差无法校正)，仅对所述最终渗透率预测曲线质量等级为良和中的进行校正。
在本申请的示例性实施例中，在现有的实验分析中，可以很容易地得到精确的岩心渗透率，将常规测井资料和岩心渗透率作为样本集，利用本申请实施例方案可以从最优参数训练出的众多模型中优选出最好的一个模型，从而计算得到连续的、更为准确的储层渗透率，并且可以依据δ的大小，判断某段储层渗透率计算的可信度。
在本申请的示例性实施例中，目前普遍认为最为可靠的渗透率数据是岩心渗透率数据，为了检验本申请实施例的局部最优渗透率计算模型的计算结果，应用该实验分析结果进行检验和标定。如图2所示(图2中RE表示预测渗透率在该最终渗透率预测曲线的上下浮动范围，满足0％～25％)，以A井的岩心渗透率数据和常规测井资料作为样本集，应用本申请实施例方法计算出的渗透率与岩心、壁心渗透率基本吻合，且预测质量评估为优，达到了测井渗透率计算质量评估的目的。
本申请实施例还提供了一种渗透率计算装置1，如图3所示，可以包括处理器11和计算机可读存储介质12，所述计算机可读存储介质12中存储有指令，当所述指令被所述处理器11执行时，实现上述任意一项所述的渗透率计算方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
Claims (11)
1.一种渗透率计算方法，其特征在于，所述方法包括：
获取第一常规测井数据，并获取多个局部最优渗透率计算模型；其中，所述局部最优渗透率计算模型是利用机器学习算法对包含测井数据和岩心渗透率数据的样本集进行训练时通过K-Fold交叉验证进行参数优化筛选出的渗透率计算模型；
将所述第一常规测井数据输入所述多个局部最优渗透率计算模型，在具有不同的随机数种子的情况下，由所述多个局部最优渗透率计算模型输出多条渗透率预测曲线；
从所述多条渗透率预测曲线中筛选出一条最优渗透率预测曲线作为最终渗透率预测曲线；
通过预设的质量评估算法确定所述最终渗透率预测曲线的质量等级；
根据评定的质量等级对最终渗透率预测曲线进行相应校正。
2.根据权利要求1所述的渗透率计算方法，其特征在于，所述获取多个局部最优渗透率计算模型包括：
直接调取存储的多个局部最优渗透率计算模型；或者，
创建所述多个局部最优渗透率计算模型。
3.根据权利要求2所述的渗透率计算方法，其特征在于，所述创建所述多个局部最优渗透率计算模型包括：
获取同一井或同一区域井的岩心渗透率数据，并获取该同一井或同一区域井内对应深度的测井数据，并对所述测井数据和所述岩心渗透率数据进行预处理，将处理好的测井数据和岩心渗透率数据格式化为所述样本集；
将所述样本集输入具有初始参数的预设的机器学习算法中，在未设定所述机器学习算法的随机种子数的情况下，采用K-Fold交叉验证方法，以最优参数搜索的方式自动搜索多次，以获取关于所述机器学习算法的多个局部最优参数；
将所述多个局部最优参数输入所述机器学习算法中，获取所述多个局部最优渗透率计算模型。
4.根据权利要求3所述的渗透率计算方法，其特征在于，所述对所述测井数据和所述岩心渗透率数据进行预处理包括：
对所述岩心渗透率数据和岩心点深度测井数据进行数据清理和集成；
选取对储层渗透率影响因素较大的以下测井曲线中的多个：密度测量曲线ZDEN、光电吸收指数曲线PE、纵波时差曲线DTC、横波时差曲线DTS、中子测量曲线CNCF、自然伽马测量曲线GR以及自然电位测量曲线SP，对选取的测井曲线进行测井质量控制，并获取至少3条与岩心渗透率相关性最高且测井质量最高的测井曲线的测井数据。
5.根据权利要求1所述的渗透率计算方法，其特征在于，所述方法还包括：
将所述多条渗透率预测曲线与通过所述测井数据获取的孔隙度曲线进行相关性分析，获取每条渗透率预测曲线与所述孔隙度曲线的相关性；
从所述多条渗透率预测曲线中剔除相关性小于或等于预设的相关性阈值的多条渗透率预测曲线，并保留剩余的多条渗透率预测曲线，作为最终获取的多条渗透率预测曲线。
6.根据权利要求1或5所述的渗透率计算方法，其特征在于，所述从所述多条渗透率预测曲线中筛选出一条最优渗透率预测曲线作为最终渗透率预测曲线包括：
将所述多条渗透率预测曲线两两之间分别计算相关性系数；
计算每条渗透率预测曲线对应的多个相关性系数的平均值，以获取该条渗透率预测曲线的平均相关性系数；
获取平均相关性系数大于预设的相关性阈值的多条渗透率预测曲线，作为多条最优渗透率预测待选曲线；
根据预设的误差算法计算每条最优渗透率预测待选曲线与岩心渗透率的均方差；
将对应的均方差最小的最优渗透率预测待选曲线作为选出的所述最优渗透率预测曲线。
7.根据权利要求1所述的渗透率计算方法，其特征在于，所述通过预设的质量评估算法确定所述最终渗透率预测曲线的质量等级包括：
获取通过所述多条渗透率预测曲线获得的多条最优渗透率预测待选曲线中除所述最终渗透率预测曲线以外的其他最优渗透率预测待选曲线；
通过预设的平均相对误差计算式计算所述最终渗透率预测曲线的每一个深度点的数值与所述其他最优渗透率预测待选曲线对应深度点的数值的平均相对误差；
根据所述平均相对误差确定所述最终渗透率预测曲线的质量等级；
其中，所述平均相对误差越低，确定所述最终渗透率预测曲线在该深度点的质量等级越高；所述平均相对误差越高，确定所述最终渗透率预测曲线在该深度点的质量等级越低。
8.根据权利要求7所述的渗透率计算方法，其特征在于，所述预设的平均相对误差计算式包括：
其中，δ为所述平均相对误差；a1为所述最终渗透率预测曲线的一个深度点处的渗透率；ai为第i条其他最优渗透率预测待选曲线与所述最终渗透率预测曲线同深度点处的渗透率；m为包括所述最终渗透率预测曲线在内的全部最优渗透率预测待选曲线的总条数。
9.根据权利要求7所述的渗透率计算方法，其特征在于，
所述平均相对误差满足0％～25％时，质量等级为优；
所述平均相对误差满足25％～50％时，质量等级为良；
所述平均相对误差满足50％～100％时，质量等级为中；
所述平均相对误差满足大于100％时，质量等级为差。
10.根据权利要求9所述的渗透率计算方法，其特征在于，所述根据评定的质量等级对最终渗透率预测曲线进行相应校正包括：滤除全部最终渗透率预测曲线中质量等级为优和差的最终渗透率预测点，保留质量等级为良和中的最终渗透率预测点进行校正，校正计算式包括：
当POR<0.025时，PERM＝0.001；
当POR≥0.025时，T＝(COS(VSH-0.4)*pi/0.7)+0.5；PERM＝PERM*|T|；
其中，VSH为泥质含量，pi为圆周率，PERM为等深度的最终渗透率，POR为孔隙度。
11.一种渗透率计算装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令被所述处理器执行时，实现如权利要求1-10任意一项所述的渗透率计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011284106.0A CN112559957B (zh) | 2020-11-17 | 2020-11-17 | 一种渗透率计算方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011284106.0A CN112559957B (zh) | 2020-11-17 | 2020-11-17 | 一种渗透率计算方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112559957A true CN112559957A (zh) | 2021-03-26 |
| CN112559957B CN112559957B (zh) | 2022-05-03 |
Family
ID=75043010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011284106.0A Active CN112559957B (zh) | 2020-11-17 | 2020-11-17 | 一种渗透率计算方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112559957B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113202459A (zh) * | 2021-06-11 | 2021-08-03 | 中国矿业大学 | 一种利用钻孔自然伽马测井预测断层渗透性的方法 |
| CN113836747A (zh) * | 2021-10-18 | 2021-12-24 | 大连理工大学 | 一种水合物渗透率关联分析和模型预测的实时可视化方法 |
| CN114066084A (zh) * | 2021-11-19 | 2022-02-18 | 中国科学院地质与地球物理研究所 | 一种基于机器学习的相渗曲线预测方法及系统 |
| CN114358445A (zh) * | 2022-03-21 | 2022-04-15 | 山东建筑大学 | 一种业务流程剩余时间预测模型推荐方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140236486A1 (en) * | 2013-02-21 | 2014-08-21 | Saudi Arabian Oil Company | Methods, Program Code, Computer Readable Media, and Apparatus For Predicting Matrix Permeability By Optimization and Variance Correction of K-Nearest Neighbors |
| CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
| CN110727035A (zh) * | 2019-10-31 | 2020-01-24 | 西安石油大学 | 一种低渗强非均质气藏气水层识别方法 |
| CN110955982A (zh) * | 2019-12-18 | 2020-04-03 | 长江大学 | 一种变质岩储层渗透率计算方法、装置及计算机存储介质 |
| CN111399044A (zh) * | 2020-04-13 | 2020-07-10 | 中国石油大学(北京) | 一种储层渗透率预测方法、装置及存储介质 |
| CN111441767A (zh) * | 2020-05-11 | 2020-07-24 | 中国石油大学(华东) | 油藏生产动态预测方法及装置 |
| CN111598440A (zh) * | 2020-05-14 | 2020-08-28 | 中国海洋石油集团有限公司 | 多角度驱动的复杂介质储层渗透率定量评价方法及系统 |
-
2020
- 2020-11-17 CN CN202011284106.0A patent/CN112559957B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140236486A1 (en) * | 2013-02-21 | 2014-08-21 | Saudi Arabian Oil Company | Methods, Program Code, Computer Readable Media, and Apparatus For Predicting Matrix Permeability By Optimization and Variance Correction of K-Nearest Neighbors |
| CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
| CN110727035A (zh) * | 2019-10-31 | 2020-01-24 | 西安石油大学 | 一种低渗强非均质气藏气水层识别方法 |
| CN110955982A (zh) * | 2019-12-18 | 2020-04-03 | 长江大学 | 一种变质岩储层渗透率计算方法、装置及计算机存储介质 |
| CN111399044A (zh) * | 2020-04-13 | 2020-07-10 | 中国石油大学(北京) | 一种储层渗透率预测方法、装置及存储介质 |
| CN111441767A (zh) * | 2020-05-11 | 2020-07-24 | 中国石油大学(华东) | 油藏生产动态预测方法及装置 |
| CN111598440A (zh) * | 2020-05-14 | 2020-08-28 | 中国海洋石油集团有限公司 | 多角度驱动的复杂介质储层渗透率定量评价方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113202459A (zh) * | 2021-06-11 | 2021-08-03 | 中国矿业大学 | 一种利用钻孔自然伽马测井预测断层渗透性的方法 |
| CN113836747A (zh) * | 2021-10-18 | 2021-12-24 | 大连理工大学 | 一种水合物渗透率关联分析和模型预测的实时可视化方法 |
| CN113836747B (zh) * | 2021-10-18 | 2024-02-23 | 大连理工大学 | 一种水合物渗透率关联分析和模型预测的实时可视化方法 |
| CN114066084A (zh) * | 2021-11-19 | 2022-02-18 | 中国科学院地质与地球物理研究所 | 一种基于机器学习的相渗曲线预测方法及系统 |
| CN114358445A (zh) * | 2022-03-21 | 2022-04-15 | 山东建筑大学 | 一种业务流程剩余时间预测模型推荐方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112559957B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112559957B (zh) | 一种渗透率计算方法和装置 | |
| CN112576244B (zh) | 一种孔隙度计算方法和装置 | |
| CN110284873B (zh) | 一种油井储集性质的检测方法及检测装置 | |
| CN102789003B (zh) | 利用阵列感应测井资料进行地层参数反演的方法及装置 | |
| CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
| NO337423B1 (no) | Fremgangsmåte for oppdatering av en geologisk modell med seismiske data | |
| FR2947345A1 (fr) | Methode pour modifier des proportions de facies lors du calage d'historique d'un modele geologique | |
| US20210199844A1 (en) | Method for updating a stratigraphic model of a sedimentary basin based on measurements | |
| CN103883318B (zh) | 一种中低矿化度地层水储层的参数反演方法及装置 | |
| CN113919219A (zh) | 基于测井大数据的地层评价方法及系统 | |
| CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
| US11182890B2 (en) | Efficient system and method of determining a permeability ratio curve | |
| CN113050189A (zh) | 一种测井曲线的重构方法、装置、设备及存储介质 | |
| CN112541523B (zh) | 一种泥质含量计算方法和装置 | |
| Salakhov et al. | A field-proven methodology for real-time drill bit condition assessment and drilling performance optimization | |
| CN114996625B (zh) | 一种基于贝叶斯优化及自编码器的测井数据补全方法 | |
| CN112612935B (zh) | 一种基于自推理模型的完整测井数据获取方法 | |
| CN115511341A (zh) | 一种滑坡时变失效概率评估方法及装置 | |
| WO2020096571A1 (en) | Downhole signal compression and surface reconstruction | |
| WO2019216892A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
| CN114782211A (zh) | 一种海山分布范围信息的获取方法及系统 | |
| CN112861061A (zh) | 地质分层方法及系统、处理设备 | |
| CN105528732B (zh) | 一种试气井产能预测方法 | |
| Tømmerås et al. | Prewell and postwell predictions of oil and gas columns using an iterative Monte Carlo technique with three-dimensional petroleum systems modeling | |
| KR102696829B1 (ko) | 물리 검층 데이터에 기초한 저류층 인자 추정 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |